Online state estimation of Li-ion battery based on macro and micro-scale physic-based model

La technologie des batteries lithium-ion est largement reconnue comme une solution pratique pour le stockage de l'énergie renouvelable. Dans le contexte des véhicules électriques et des appareils électroniques, la surveillance en ligne des batteries lithium-ion (LIB) pendant les cycles de charge et de décharge joue un rôle crucial dans l'évaluation des performances, la garantie de la sécurité et la gestion de la dégradation. Les estimations d'état basées sur des modèles sont apparues comme une approche prometteuse pour atteindre ces objectifs, en tirant parti du potentiel de la modélisation physique pour prédire la dynamique macroscopique et microscopique des batteries. Des études récentes ont mis en évidence la dépendance des propriétés de l'électrolyte en fonction de la concentration en Li, notamment la diffusivité, la conductivité ionique et le facteur thermodynamique. Notamment, une comparaison entre le modèle pseudo-bidimensionnel (P2D) avec des propriétés d'électrolyte constantes et dépendantes révèle des différences significatives dans les performances de la batterie, en particulier à des taux de charge/décharge élevés. Cependant, la plupart des modèles simplifiés de batteries Li-ion supposent des propriétés constantes de l'électrolyte, ce qui limite leur précision. Pour remédier à cette limitation et capturer la non-linéarité résultant des paramètres de l'électrolyte dépendant de la concentration, un modèle simplifié basé sur la physique (SPBM) est proposé. Le SPBM offre un moyen efficace d'imiter le modèle P2D d'ordre complet tout en réduisant considérablement le temps de calcul. Il convient de noter que le SPBM fonctionne comme un système à temps continu, alors que les mesures sont acquises à des pas de temps discrets. Ce décalage pose un problème car la plupart des estimateurs sont conçus sur la base de modèles entièrement discrets. Des filtres de Kalman étendus et non accentués en temps continu-discret sont proposés comme de nouvelles approches pour la s
Lithium-ion battery technology is widely recognized as a practical solution for renewable energy storage. In the context of electric vehicles and electronic devices, the online monitoring of Lithium-ion batteries (LIBs) during charge and discharge cycles plays a crucial role in evaluating performance, ensuring safety, and managing degradation. Model-based state estimations have emerged as a promising approach to achieve these goals, leveraging the potential of physical modeling to predict both macroscopic and microscopic battery dynamics. Recent studies have highlighted the concentration-dependent nature of electrolyte properties, including diffusivity, ionic conductivity, and thermodynamic factor. Notably, a comparison between the pseudo-two-dimensional (P2D) model with constant and dependent electrolyte properties reveals significant differences in battery outputs, particularly at higher C-rates. However, most simplified models of Li-ion batteries assume constant electrolyte properties, thus limiting their accuracy. To address this limitation and capture the nonlinearity resulting from concentration-dependent electrolyte parameters, a simplified physics-based model (SPBM) is proposed. The SPBM offers an effective way to mimic the full-order P2D model while reducing computation time by almost 15 times. It should be noted that the SPBM operates as a continuous-time system, while measurements are acquired at discrete time steps. This misalignment presents a challenge since most estimators are designed based on fully discretized models. A continuous-discrete extended and unscented Kalman filters is introduced as novel approaches for the online monitoring of LIBs. These filters are built upon a simplified physical model (SPBM) that accounts for the nonlinearities arising from the dependence of parameters on electrolyte concentration. Their computational efficiency makes them particularly suitable for onboard applications. To assess their performance, the est